PRISM：检索增强多模态模型用于临床预后预测
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载模型结构与检索方式
PRISM 面向临床预后，需要同时处理结构化测量、生理波形、纵向病史和人群背景这几类异质证据。作者给出的整合方案包含三部分：对每个特征单独做数值分词，对纵向心电图按时间近因加权聚合，以及一个双模态人群记忆库。检索并不把原始病历塞进提示词，而是在表示空间里操作——模型拿到的是相似训练队列就诊记录的均值池化嵌入。这样既引入了人群层面的参照信息，又避免单条检索记录直接进入提示词。论文同时报告了消融结果：把数值化 EHR 编码替换为文本序列化，AUROC 下降 3.66 个百分点；去掉到达前病史，下降 1.97 个百分点；把检索置零，下降 0.99 个百分点。
基准表现与对比
在 1,443 项任务的 MDS-ED 基准上，PRISM 的诊断 AUROC 为 86.2%，恶化 93.1%，ICU 入住 91.8%，死亡 92.8%，这些数字使用了 96 小时到达前窗口，而所报告的基线没有这一窗口。为做同条件比较，作者仅用基准窗口输入重跑：PRISM 为 0.8895，UniPACT 为 0.8937，MDS-ED 为 0.8889。另一组对照使用相同的五路证据流和冻结编码器，紧凑融合模型只到 0.7652，而 PRISM 为 0.9092。检索本身的效果上，真实检索比随机邻居检索高 0.97 个宏平均点，但配对任务级符号检验未能确立一致优势（p=0.067）。
外部队列适配
在外部 MC-MED 队列上，作者比较了三种做法：监督微调达到 0.8611 AUROC，本地训练的梯度提升为 0.8227，仅用源数据的 PRISM 为 0.7841。这组数字说明结构感知的多模态整合与有监督的外部适配是有效的，也说明直接迁移源模型到新队列会明显掉点。论文将结论落在两点：结构感知的多模态整合，以及有监督的外部适配。
为什么值得看
给出检索增强多模态模型在临床预后上的具体消融数据，便于判断各证据流与检索的真实贡献。
信源1 家
关键事实
PRISM 在 1,443 项任务的 MDS-ED 基准上，诊断、恶化、ICU 入住、死亡四项 AUROC 分别为 86.2%、93.1%、91.8%、92.8%[1]
仅使用基准窗口输入时 PRISM 的 AUROC 为 0.8895，UniPACT 为 0.8937，MDS-ED 为 0.8889[1]
使用相同五路证据流与冻结编码器的紧凑融合模型 AUROC 为 0.7652，PRISM 为 0.9092[1]
将数值化 EHR 编码换成文本序列化使 AUROC 下降 3.66 个百分点，移除到达前病史下降 1.97 个百分点，检索置零下降 0.99 个百分点[1]
在外部 MC-MED 队列上，监督微调达到 0.8611 AUROC，本地训练的梯度提升为 0.8227，仅用源数据的 PRISM 为 0.7841[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。